基于改进遗传算法的图像分割方法的分析

2015-11-28王中杰

山西电子技术 2015年1期

王中杰

(山西大学电子信息工程系，山西太原 030013)

图像分割理论是计算机图像处理领域研究中的重要研究课题，此领域课题研究中模块包括目标检测、特征提取以及目标跟踪等，可是如果我们想要达到这些处理的非常好的结果的话，一般是需要依照图像的分割效果。依照现在的计算机研究领域的发展趋势，图像分割已经成为当前视觉处理，其中，虚拟与现实图像结合发展的大的方向，关于这方面的研究成果比图像领域别的分块高出很大比例。尽管这些年该领域发展迅速，花费的精力也相比占了更大的模块，可是由于图像领域研究的独特性，理论难度高，导致研究进度缓慢，所以图像分割长久以来被当做是视觉研究中的一个相对大的瓶颈来研究［1］。

图像处理方面的核心科学中图像分割是相当重要的方面，是图像处理领域的关键技术，并且影像判断分析与模式识别也是在良好的图像分割的基础上完成的。阈值法是一种经过实验证明对图像分割很有效的方法，阈值法的实现原理是抽出待处理图像中目的部分与杂质部分的gray 特点上的对比，理解图像为一些不一的gray 特征的分开的部分，确定分割值即阈值，把目的图像分块和杂质图像分块分离开来。阈值分割法转换图像的通道数，转换灰度图像为二值图像，减少了存储量，降低了阈值求取和计算的运算量。

1 遗传算法分析

GA 优化方法是人类参考生物繁衍发展的理论衍变而生的图像处理领域的理论。在生物进化过程中，生物个体适应外界环境的方法是通过遗传，变异，逐渐淘汰劣质的个体，保留优良的个体。

下图是GA 优化方法的大体流程图，该优化方法有以下几种最基础的实现操作方法，这些方法是基因即单体数据的确定(confirm)、基因之间信息的替换(crossover)和基因中数据信息的改变(mutation)。

图1 GA 优化算法的基本流程图

GA 优化方法的最重要的步骤为:

1)完成对程序的撰写。

2)程序开始前事先设定好初始的单体群体中的每个单体的数据。

3)迭代运行下述过程，直到运行到程序设定的终止法则:

首先计算所有单体中的基因的匹配度值的大小;利用上述产生的数据根据基因选择，基因互换，基因突变系数进而产生更新的单体种群。

4)产生具有最优解的单体。此个体就是我们要求的问题的解。

GA 计算［2］所有的数据点来寻找匹配度值大的单体，计算的过程是遗传算法的基本操作过程。实际证明，此算法适用于解决复杂的，大数据量的处理问题。

2 改进遗传算法的实现

利用遗传算法对OTSU 图像分割算法进行阈值分割改进的步骤:

1)首先编写GA 的基本程序

像素的灰度域在(0.255)，采取计算机数字组成逻辑方式，对像素的灰度域进行预先设定，其中设定宽度为8。我们用随机函数初始化所有可能的灰度阈值，阈值对应的适应值不同。对于一维OSTU，遗传算法理论中染色体串长以10位度量，这10 位中前8 位二维数字组成逻辑方式，最后两位值代表阈值以及适应度值。

2)对遗传单体种群的模型参数进行预设定

GA 中初始群体的大小直接影响到遗传算法分割效果优劣与否。如果群体太小，搜索的空间就会过小，无法很好的求出最优解。如果群体过大，就会使整个算法的计算复杂度增高，很难满足实时性的要求。所以我们要首先设置合适的群体数，一维OSTU 法设置20 个，二维OSTU 法设置40 个。

3)遗传算法适合度函数的设定

群体中每一个子代个体都会有不同的染色体出现，单体的适合修正度大小决定了遗传给下一代的染色体。而单体的适合修正度的大小需要通过单体的适合修正度函数来得到的。单体的适合修正度公式通常根据待得到的数据来进行设定。基本的OSTU 计算判断值实际上就是计算单体的适合修正度函数中最优解。

4)计算出进化规则数学模型中的进化数学因子

基本遗传算法模型数学因子一般包括以下几个:对基因的确定，对单体对中基因的呼唤，单体中基因的突变。经过测试，本文选择平衡性好的轮盘赌选择数学因子［3］。每一个单体被认为得到下一轮进化的概率跟它的匹配度值公式计算结果是正相关性的，因此经过处理后匹配度值高的个体及基因数据得到保留，一步一步淘汰适合修正度值相对小的单体，进而保留优良单体，抛弃不适合进化的单体。

遗传算法的实现流程如图2 所示。